去年这个时候，我正在做Eloquence——一个数据可视化的编程语言。Claude Code刚发布，我和大多数开发者一样兴奋得不行。一个能写代码、读文件、跑命令的Agent，未来终于触手可及了。
我立刻把它用起来。然后开始等待。十秒、四十秒。Agent正在代码库里搜索——一个函数名、一处调用、一个引用。Find。Grep。Read。循环往复。有时候找到了，更多时候没找到，再试一次。有时候它确信自己找到了，其实没有，然后自信地改了代码。第二天早上我发现烂摊子：一个重命名的函数漏了三处调用，一个变量到处都改了唯独漏了两层嵌套里的回调，一个"修复"引入了比原问题更糟的bug。
我没怪模型。模型很聪明，它只是在完成被交代的任务：把我的代码库当作一长串无结构的字符流，尽其所能地推理。但越看它工作——越等、越收拾残局——我脑子里有个问题越来越响：为什么我的AI Agent在读我的代码库时，像在读一本小说？
代码不是文本。代码是数据。
眯起眼看任何程序，你看到的是结构。函数嵌在文件里，文件嵌在模块里，模块通过命名空间连接。调用跨越边界，名称解析到定义，类型流过参数。一个文件第412行的符号，与另一个文件第17行的符号有明确关系。这一切都不是暗示，而是显式编码在语法里的——编译器、linter、语言服务器几十年前就懂这些。
代码是图。代码是树。代码本质上是有形状的数据。
你用过的好IDE都知道这一点。所以"重命名符号"不是全局查找替换，而是遍历语法树、更新每一处引用、放过同名但无关的标识符。所以"跳转到定义"毫秒级返回。工具界早就知道源代码有结构。
然后我们把源代码交给LLM——史上最强的语言工具——却要求它像操作小说段落一样操作代码。
这让我很困扰。一直困扰。
有个例子终于让我想通了。想象你在写小说，主角叫Alice。几百页里，你用几十种方式指代她：Alice、she、her、the girl、the heroine、她姐姐起的昵称、第十二章获得的头衔。所有这些都指向同一个人。
现在编辑让你把她改名成Maya。一个以文本为先的LLM会尽力而为：搜索"Alice"，替换为"Maya"。但它会漏掉"she"，会搞混另一个也叫Alice的配角，会把"Alice in Wonderland"的引用也改掉。它处理的是字符，不是实体。
而结构化工具——编译器、IDE——知道Alice是一个符号，知道它的所有引用形式，知道它的作用域边界。重命名是精确的、完整的、瞬间的。
这就是差距。我们给AI的是文本接口，但代码需要的是数据接口。
过去一年，Coding Agent爆发式增长。Cursor、Windsurf、Devin、GitHub Copilot Workspace——它们都在用同样的基础范式：把代码当作token流，用RAG检索片段，让模型推理上下文。这个范式能工作，但天花板很明显。
看看Agent在代码库里的典型行为：搜索文件名、grep关键词、读取相关文件、猜测关联、尝试修改、验证结果。每一步都是在用文本工具模拟结构感知。就像用望远镜当显微镜——不是不能用，是处处别扭。
更深层的问题是，LLM的上下文窗口再大，也装不下大型代码库的全部结构关系。GPT-4的128K token约等于10万行代码——一个中等项目的几十分之一。而代码的语义关联往往是稀疏且长距离的：一个接口定义在核心模块，实现在服务层，调用散落在十几个前端组件里。这种关系用文本检索很难捕捉。
业界并非没有意识到。GitHub的Copilot正在实验代码图（code graph）集成，Sourcegraph的Cody用LSIF（Language Server Index Format）索引仓库，一些团队在做AST-aware的RAG。但这些是补丁，不是范式转移。
真正的结构性变化需要重新设计AI与代码的交互接口。不是"给我相关文件"，而是"这个符号在哪里被定义、被调用、被类型约束"；不是"搜索字符串"，而是"查询调用图"；不是"读取代码"，而是"遍历语法树"。
这听起来像回归传统工具，但关键差异在于：传统工具是确定性的、规则的、脆弱的；AI可以是概率性的、灵活的、泛化的。结合两者——用结构索引给AI导航，用生成能力处理模糊需求——可能是更优解。
我现在的做法是混合架构：用tree-sitter解析代码结构，构建轻量级符号索引，让Agent在需要时查询关系而非搜索文本。重命名一个函数时，Agent拿到的是引用列表，不是候选文件。修改一个类型时，它知道哪些调用点需要检查。这减少了猜测，降低了幻觉，加快了响应。
但这也暴露了生态的断裂。每个语言的解析器不同，每个项目的构建配置不同，IDE和CI和Agent各自维护一套理解。没有通用的"代码数据层"让AI接入。
这可能是下一个基础设施机会。就像数据仓库统一了业务数据的查询接口，代码库也需要一个标准化的语义层——不是替代Git，而是让AI能高效地"看见"结构。Language Server Protocol（LSP）是一个起点，但它为交互式设计，非为批量查询优化。LSIF和SCIP是尝试，但采用率有限。
更激进的设想是：如果代码存储本身结构化呢？不是文本文件，而是带有语义标记的AST数据库，diff操作在结构层面而非行层面。这听起来遥远，但Git的底层已经是内容寻址的Merkle树，我们只是在上层用了文本接口。
回到那个困扰我的问题。一年后，Claude Code和它的同类进步了很多——更快、更准、更少幻觉。但底层范式没变。它们仍在读小说，只是读得更快了。
代码是数据。这个基本事实被忽视，不是因为技术不可能，而是因为路径依赖：LLM从NLP诞生，文本是最自然的接口；Git和文件系统统治开发流程，文本是最兼容的格式。但AI Coding的下一个跃迁，可能恰恰需要打破这个惯性。
不是让AI更像人类读代码，而是让代码更像AI能处理的数据。
热门跟贴